fait.dat <- read.csv("data/fait.txt")
implantation.dat <- read.csv("data/implantation.txt")
# on retire le num de ligne qui était passe en X
fait.dat <- subset(fait.dat, select = - X)
implantation.dat <- subset(implantation.dat, select = - X)relation.dat <- fait.dat[fait.dat$caracNew == "Relations" ,] # on ne garde que les relations
# on extrait les Déplacement
relation.dat <- relation.dat[!relation.dat$modaNiv1 == "Déplacement",]
relation <- subset(relation.dat, !(relation.dat$modaNiv1 == "hiérarchique asc. Ecole" | relation.dat$modaNiv1 == "hiérarchique ascendante") )# on enleve les doublons
relation <- subset(relation, select = c("idimplantation", "usual_name", "fklinked_implantation","linked_implantation_name")) # on ne garde que les noms et noms liées
# on drop les facteurs non pris en compte suite aux subset de relations
relation$usual_name <- factor(relation$usual_name)
relation$linked_implantation_name <- factor(relation$linked_implantation_name)Dans un premier temps je ne vais travailler qu’avec les relations représentées par des couples noms d’implantations et noms d’implantations liées. Il s’agira par la suite de complexifier.
Cela recouvre 1655 relations directes car celles avec hiérarchique asc. Ecole et hiérarchique ascendante ont été retirées (elles doublonnaient). Il y a 403 implantations distinctes (idimplantation) qui sont liées à 1344 implantations liées distinctes (fklinked_implantation).
Le tableau 2.1 et le diagramme en baton 2.1 représentent le nombre de relations que l’on a pour chaque noms d’implantations distincts (idimplantation). Il y a deux implantations (Charroux, Saint-Sauveur et Cluny) qui possèdent 164 et 102 relations puis on obtient un second groupe d’implantations avec un nombre de relations contenues entre 38 et 20. Ensuite les nombre d’implantations possedant de moins en moins de relations va augmenter, presque exponentiellement pour culminer au groupe d’implantations ne possedant qu’une relation (238).
# un tableau avec les Id et les noms
idimplant_court <- subset(implantation.dat, select = c(idimplantation, usual_name))
implantation_relation <- relation %>%
group_by(idimplantation) %>% # on groupe par usual name
summarize(nb = n()) %>% # on compte par ce group
arrange(desc(nb)) %>% # on passe en decroissant
left_join(idimplant_court,by = "idimplantation") # ion rajoute le nom
# une bidouille pour avoir un titre de tableau avec ref
cat("<tableau>",paste0("<caption>", "(#tab:relationusualname)", ' Nombre de relations directes par idimplantation', "</caption>"),"</tableau>", sep ="\n")DT::datatable(implantation_relation)gg_implantation_relation <- ggplot(implantation_relation) +
geom_bar(aes(nb)) +
labs(x = "", y = "") +
theme_bw()
# c'est du js
f <- list(
family = "Courier New, monospace",
size = 18,
color = "#7f7f7f"
)
x <- list(
title = "Nombre de relations par idimplantation",
titlefont = f
)
y <- list(
title = "décompte",
titlefont = f
)
ggplotly(gg_implantation_relation) %>%
layout(xaxis = x, yaxis = y)Figure 2.1: Diagramme en baton du nombre de relations directes par idimplantation
initmapview()
mapview::mapview(diocese.shp, color = "white", lwd = 1, # couleur et type du contour
col.regions = "grey", alpha = 0.5, # couleur du fond et type
layer.name = "Diocèses" ) +
mapview::mapview(implantation.shp, cex = 0.1, layer.name = "Implantations", col.regions = "black") +
mapview::mapview(implantation_relation.shp, cex = "nb", layer.name = "implantations avec relations")## Warning in validateCoords(lng, lat, funcName): Data contains 1 rows with
## either missing or invalid lat/lon values and will be ignored## Warning in validateCoords(lng, lat, funcName): Data contains 24 rows with
## either missing or invalid lat/lon values and will be ignoredComme le message d’erreur l’indique il y a 24 implantations dont on ne posséde par les coordonnées et une ligne d’erreur.
# je prefere des caracteres donc autant garder une syntaxe V pour vertex
relation_graph <- subset(relation, select = c(idimplantation, fklinked_implantation))
relation_graph$idimplantation <- paste0("V", relation_graph$idimplantation)
relation_graph$fklinked_implantation <- paste0("V", relation_graph$fklinked_implantation)
implantation.dat$name <- paste0("V", implantation.dat$idimplantation)
# on garde pas tout, il est important que le première colonne contienne les noms de vertex cf help(grap.data.frame)
implantationVertex.dat <- implantation.dat[,c(16,2,3,9:11)]
# le match est un peu tricky ici car utilisé pour réduire (et ordonner ce qui ne change rien) au vertex ayant des relations
implantationVertexv2.dat <- implantationVertex.dat[match(unique(c(relation_graph$idimplantation,
relation_graph$fklinked_implantation)), implantationVertex.dat$name),]
graph_relation <- graph.data.frame(relation_graph,
directed = FALSE,
vertices = implantationVertexv2.dat) # c'est ici qu' on indique les attributs des vertex, il faut que la première colonne corresponde à celle des vertexes cf help(graph.data.frame) details 3 paragraphs
E(graph_relation)$weight <- 1
# on fait le nouveau graph avec le poids
graph_ensemble_simplify <- simplify(graph_relation, edge.attr.comb = "sum") Le premier graphe que l’on obtient comporte des liens doubles (244) et même triples (cf. tableau 3.1), c’est à dire que l’on peut avoir plusieurs relations entre deux noeuds (implantations). C’est logique vu que les relations et les implantations peuvent évoluer au cours du temps. C’est quelque chose que nous allons devoir observer plus en detail. Dans un premier temps, une solution est de les regrouper pour en faire un “poids”, plus ce poids est importants plus ces implantations possèdent des relations (cela suppose de mettre en équivalance les relations sur le principe d’une relation = une relation).
knitr::kable(table(E(graph_ensemble_simplify)$weight), col.names = c("Poids des liens", "Fréquences"), caption = "Répartition des poids indiquant le nombre de liens doubles ou triples")| Poids des liens | Fréquences |
|---|---|
| 1 | 1190 |
| 2 | 198 |
| 3 | 23 |
Soit : 244 liens multiple pour 1411 liens.
#on en fait un tableau
lien_unique.dat <- data.frame(
V(graph_ensemble_simplify)$name, # la première colonne correspond au nom de vertexes
degree(graph_ensemble_simplify)) # la seconde au degrée,
names(lien_unique.dat) <- c("name", "lien_unique") # on renome ces colonnes
# puis on en fait une jointure sur les implantations
lien_unique_join.dat <- left_join(lien_unique.dat, implantationVertex.dat, by = c("name"="name"))## Warning: Column `name` joining factor and character vector, coercing into
## character vectorDT::datatable(lien_unique_join.dat)Le nombre de liens que posède un noeud correspond au degré.
Le réseau 3.1 différencie plusieurs types de clusters : des très petits groupes de quelques relations (parfois juste une) et des groupes très étoilées d’un grand nombre d’implantations. Les liens simple sont en vert, les doubles en orange et les triples en rouge.
# un vecteur de couleur pour les edges
E(graph_ensemble_simplify)$colorW <- ifelse(E(graph_ensemble_simplify)$weight == 1, "forestgreen",
ifelse(E(graph_ensemble_simplify)$weight == 2, "orange", "red"))
V(graph_ensemble_simplify)$colorV <- "gray60"
# ici u vecteur qui compte les voisins d'orde 1
un.voisin <- graph.neighborhood(graph_ensemble_simplify, order = 1) # attention la fonction evolue vers ego_size
graphjs(graph_ensemble_simplify,
vertex.label = paste(V(graph_ensemble_simplify)$usual_name, V(graph_ensemble_simplify)$name) , # ici on mets le nom de l'implantation
vertex.color = V(graph_ensemble_simplify)$colorV, # la couleur pour les vertexs
vertex.size = log(sapply(un.voisin, vcount))/10, # la taille des noeuds = au log(voisin orde 1)/10
# c'est pas fou mais je veux un truc de 0.1 à 0.5
edge.color = E(graph_ensemble_simplify)$colorW, # on reutilise le vecteur de couleurs ici que trois couleurs produites ..
brush=TRUE) Figure 3.1: Réseau des relations simplifiées entre col&mon